فلش‌کارت‌های آموزشی مبانی رگرسیون خطی: مفروضات و تحلیل باقی‌مانده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی رگرسیون خطی: مفروضات و تحلیل باقی‌مانده‌ها

موضوع کلی: علوم آماری و مدل‌سازی داده

موضوع میانی: مدل‌سازی رگرسیون خطی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم آماری و مدل‌سازی داده
• 2. مفهوم متغیر و انواع آن
• 3. آمار توصیفی و شاخص‌های مرکزی
• 4. شاخص‌های پراکندگی و تغییرپذیری
• 5. مقدمه‌ای بر استنباط آماری
• 6. مفاهیم جامعه و نمونه
• 7. آزمون فرض آماری
• 8. خطای نوع اول و دوم
• 9. مفهوم همبستگی
• 10. ضریب همبستگی پیرسون
• 11. مقدمه‌ای بر رگرسیون خطی
• 12. مدل رگرسیون خطی ساده
• 13. تخمین پارامترهای مدل رگرسیون
• 14. روش حداقل مربعات معمولی (OLS)
• 15. مفهوم برازش مدل
• 16. ضریب تعیین (R-squared)
• 17. تحلیل واریانس در رگرسیون (ANOVA)
• 18. مفروضات مدل رگرسیون خطی
• 19. مفروضه خطی بودن
• 20. مفروضه استقلال خطاها
• 21. مفروضه همسانی واریانس خطاها (Homoscedasticity)
• 22. مفروضه نرمال بودن خطاها
• 23. تشخیص نقض مفروضات
• 24. باقیمانده‌ها (Residuals)
• 25. نمودار باقیمانده‌ها در برابر مقادیر پیش‌بینی شده
• 26. نمودار باقیمانده‌ها در برابر متغیر مستقل
• 27. آزمون‌های رسمی برای مفروضات
• 28. آزمون بروش-پاگان برای همسانی واریانس
• 29. آزمون شاپیرو-ویلک برای نرمال بودن
• 30. آزمون دوربین-واتسون برای استقلال خطاها
• 31. تشخیص داده‌های پرت (Outliers)
• 32. روش‌های شناسایی داده‌های پرت
• 33. تأثیر داده‌های پرت بر مدل
• 34. مدیریت داده‌های پرت
• 35. تشخیص نقاط اهرمی (Leverage Points)
• 36. شاخص کوک (Cook's Distance)
• 37. تأثیر نقاط اهرمی بر ضرایب رگرسیون
• 38. مدل رگرسیون خطی چندگانه
• 39. متغیرهای مستقل متعدد
• 40. تخمین پارامترها در رگرسیون چندگانه
• 41. مشکل هم‌خطی چندگانه (Multicollinearity)
• 42. تشخیص هم‌خطی چندگانه
• 43. شاخص تورم واریانس (VIF)
• 44. مدیریت هم‌خطی چندگانه
• 45. رگرسیون با متغیرهای کیفی (Dummy Variables)
• 46. نحوه کدگذاری متغیرهای کیفی
• 47. تفسیر ضرایب متغیرهای کیفی
• 48. مدل‌های تعاملی (Interaction Terms)
• 49. تفسیر تعاملات
• 50. انتخاب بهترین مدل رگرسیون
• 51. معیارهای انتخاب مدل (AIC, BIC)
• 52. توسعه مدل‌های رگرسیون
• 53. رگرسیون غیرخطی
• 54. تبدیلات متغیرها
• 55. مدل‌های خطی تعمیم‌یافته (GLM)
• 56. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته
• 57. توزیع پواسون
• 58. مدل رگرسیون پواسون
• 59. توزیع دوجمله‌ای
• 60. مدل رگرسیون لجستیک
• 61. تفسیر ضرایب در رگرسیون لجستیک
• 62. ارزیابی مدل رگرسیون لجستیک
• 63. کاربرد رگرسیون لجستیک در پیش‌بینی
• 64. مقدمه‌ای بر سری‌های زمانی
• 65. مولفه‌های سری زمانی
• 66. مدل‌های ARIMA
• 67. مقدمه‌ای بر تحلیل بقا
• 68. مدل کاکس (Cox Proportional Hazards Model)
• 69. مقدمه‌ای بر یادگیری ماشین
• 70. رابطه یادگیری ماشین و مدل‌سازی آماری
• 71. مدل‌های کلاسیک در یادگیری ماشین
• 72. شبکه‌های عصبی مصنوعی
• 73. یادگیری عمیق
• 74. شبکه‌های عصبی کانولوشنال
• 75. شبکه‌های عصبی بازگشتی
• 76. تقویت یادگیری
• 77. مقدمه‌ای بر داده‌کاوی
• 78. الگوریتم‌های خوشه‌بندی
• 79. الگوریتم‌های طبقه‌بندی
• 80. قوانین انجمنی
• 81. فرهنگ داده در سازمان
• 82. مدیریت داده‌های بزرگ (Big Data)
• 83. پلتفرم‌های پردازش داده‌های بزرگ
• 84. مقدمه‌ای بر هوش مصنوعی
• 85. کاربردهای هوش مصنوعی
• 86. اخلاق در هوش مصنوعی
• 87. حریم خصوصی داده‌ها
• 88. امنیت داده‌ها
• 89. مقدمه‌ای بر آمارهای رسمی کشور
• 90. نقش مرکز آمار ایران
• 91. قوانین و مقررات آماری
• 92. اهمیت داده‌های دقیق در تصمیم‌گیری
• 93. مدل‌سازی داده در بخش‌های اقتصادی
• 94. مدل‌سازی داده در بخش‌های اجتماعی
• 95. مدل‌سازی داده در بخش‌های بهداشتی
• 96. مدل‌سازی داده در بخش‌های محیط زیستی
• 97. تحلیل داده‌های نظرسنجی
• 98. طراحی پرسشنامه آماری
• 99. نمونه‌گیری در نظرسنجی‌ها
• 100. تحلیل نتایج نظرسنجی